DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

CAPTULO 9
DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS Y
CONTINUAS

1.- DISTRIBUCIONES DISCRETAS

2.- DISTRIBUCIONES CONTINUAS
3.- R COMO ALTERNATIVA A LAS TABLAS ESTADSTICAS
CLSICAS

CAPTULO 9

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

1.- DISTRIBUCIONES DISCRETAS

En R es posible calcular valores relacionados con las distribuciones de
probabilidad de las principales variables aleatorias discretas. Los nombres
reservados a algunas de esas distribuciones son:

Binomial: binom
Hipergeomtrica: hyper
Poisson: pois
Binomial negativa: nbinom
Geomtrica: geom.

Los nombres anteriores, sin embargo, no son sentencias de R que

produzcan una salida vlida. Es necesario anteponerles los prefijos d
para la funcin de masa o funcin de probabilidad, p para la funcin de
distribucin acumulada, r para generar valores aleatorios y q para la
funcin cuantil (inversa de la funcin de distribucin). A continuacin
vemos algunos ejemplos.
- Calcular la probabilidad de que una variable aleatoria binomial de
parmetros n=10, p=0.3 tome el valor 4:
> dbinom(4,size=10,prob=0.3)
[1] 0.2001209
> dbinom(4,10,0.3)
[1] 0.2001209
- Probabilidad acumulada en el valor 5 (se incluye la probabilidad de este
valor) de una variable aleatoria de Poisson de parmetro l=2:
> ppois(5,2)
[1] 0.9834364
- Generar 10 valores aleatorios de una distribucin de Poisson de
parmetro 3,52:
> rpois(10,3.52)
[1] 4 3 3 3 4 5 4 1 2 1
Es de hacer notar que cada vez que se ejecuta la sentencia anterior
salen, evidentemente, valores diferentes.
- Calcular la probabilidad de conseguir 4 ases al extraer 4 cartas de una
baraja (se supone que hay 8 ases). Aqu la variable aleatoria que
representa el nmero de ases entre las 4 cartas elegidas es una variable
aleatoria hipergeomtrica de parmetros:
N=40; n=4; p(probabilidad inicial de xito)=0.2

CAPTULO 9

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

Esta distribucin hipergeomtrica se expresa en algunos casos como

H(40,4,0.2). En otros, como es el caso de R, se pone en la forma
H(8,32,4), siendo 8 el nmero de bolas blancas, 32 el nmero de bolas
negras y 4 el nmero de extracciones, y xito equivale a bola blanca.
Por tanto, para calcular P(X=4) hacemos:
> dhyper(4,8,32,4)
[1] 0.0007659481
Este valor se podra haber obtenido de forma alternativa mediante la
frmula de la distribucin hipergeomtrica:
>choose(0.2*40,4)*choose(40-0.2*40,4+4)/choose(40,4)
[1] 0.0007659481
Para dibujar la funcin de masa de una distribucin discreta debemos
utilizar la funcin dbinom. A continuacin aparece la correspondiente a
una B(10,0.25). Debajo de esta funcin puede verse el histograma de
1000 valores elegidos al azar de esta misma variable aleatoria. Vase el
parecido entre ambos grficos:

0.00

0.10

0.20

par(mfrow=c(2,1))
z<-0:10
plot(z,dbinom(z,10,0.25),type="h")
x<-rbinom(1000,10,0.25)
hist(x)
par(mfrow=c(1,1))
dbinom(z, size = 10, prob = 0.25)

>
>
>
>
>
>

10

150
0 50

Frequency

250

Histogram of x

4
x

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

Mediante la funcin pbinom podemos dibujar la funcin de distribucin

acumulada de una variable aleatoria. La correspondiente a la B(10,0.25)
aparece a continuacin. Utilizamos la opcin type="s" para dibujar la
funcin en forma de escalera.

0.6
0.4
0.2

pbinom(z, size = 10, prob = 0.25)

0.8

1.0

> plot(z,pbinom(z,10,0.25),type="s")

10

2.- DISTRIBUCIONES CONTINUAS

En R tambin es posible calcular valores asociados a las distribuciones de
probabilidad de las principales variables aleatorias continuas. Los
nombres reservados a las distribuciones continuas ms importantes son:

Uniforme: unif
Exponencial: exp
Normal: norm
c2: chisq
t de Student: t
F de Snedecor: f

Los nombres anteriores, igual que para las distribuciones discretas, no

son sentencias de R que produzcan una salida vlida. Es necesario
anteponerles los prefijos d para la funcin de densidad, p para la
funcin de distribucin acumulada, r para generar valores aleatorios y
q para la funcin cuantil (inversa de la funcin de distribucin).
Por ejemplo, si queremos conocer la ordenada de la funcin de densidad
de una variable aleatoria N(-2,0.2) en el punto x = -2.07, valor que por otro
lado no tiene ninguna utilidad prctica, haremos:

CAPTULO 9

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

> dnorm(-2.07,-2,0.2)
[1] 1.876202
Este resultado lo podemos obtener as mismo mediante la funcin de
densidad de la variable aleatoria normal:
>exp(-(1/2)*((-2.07+2)/0.2)^2)/(0.2*sqrt(2*pi))
[1] 1.876202
Generemos 10 valores al azar de una distribucin U(-5,3):
> runif(10,-5,3)
[1]
-1.8616074
-0.2718027
1.3315307
-1.6892947 2.6328703
[7] -2.8891604 -1.1120779 -0.1570343 -0.1074194

-3.4057091

- En el ejemplo que se expone a continuacin vamos a dibujar la funcin

de densidad de una variable aleatoria exponencial de parmetro 3
(rate=1/3). Para ello utilizamos la funcin curve. Alternativamente
podemos obtener el mismo grfico mediante plot, pero definiendo
previamente con el vector z los puntos que vamos a dibujar.

0.20
0.15
0.00

0.05

0.10

dexp(x, rate = 1/3)

0.25

0.30

> curve(dexp(x,rate=1/3),from=-3,to=10)

-2

10

> z<-seq(-3,10,0.1)
> plot(z,dexp(z,rate=1/3),type="l") #Con la opcin
type=l conseguimos dibujar el grfico como una
lnea
Para obtener la funcin de distribucin acumulada volvemos a usar la
funcin curve, junto con pexp:
> curve(pexp(x,rate=1/3),from=-3,to=10)

0.6
0.4
0.0

0.2

pexp(x, rate = 1/3)

0.8

1.0

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

-2

10

- Como se sabe por el teorema de De Moivre-Laplace, la distribucin

binomial puede ser aproximada, para n grande, por la distribucin normal.
Por ejemplo, la B (500;0,1) , como se cumple 500 0,1 > 5 y 500 0,9 > 5 ,
puede ser aproximada por la N (500 0,1; 500 0,1 0,9) = N (50, 6.71) .
Veamos en primer lugar que las probabilidades binomiales pueden ser
aproximadas por la normal (se hace correccin por continuidad):
> pbinom(50,500,0.1)
[1] 0.5375688
> pnorm(50.5,50,6.71)
[1] 0.5297
> pbinom(60,500,0.1)-pbinom(29,500,0.1)
[1] 0.9376227
> pnorm(60.5,50,6.71)+ pnorm(29.5,50,6.71)
[1] 0.9400637
Ahora dibujamos la funcin de masa de la distribucin B(500,0.1) y le
superponemos la funcin de densidad de la N(50,6.71):
> z<-0:100
> plot(z,dbinom(z,500,0.1),type="h")
> curve(dnorm(x,50,6.71),add=T) #Utilizamos la
opcin add=T (TRUE) para indicarle a R que
superponga este grfico al anterior.

CAPTULO 9

0.00

0.01

0.02

0.03

dbinom(z, 500, 0.1)

0.04

0.05

0.06

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

20

40

60

80

100

Por ltimo vamos a dibujar la funcin de distribucin de la variable

aleatoria N(50,6.71). Como se trata de una variable aleatoria continua
utilizaremos la opcin type="l" para dibujarla como una lnea, obteniendo
la clsica curva en forma de S:

0.6
0.4
0.0

0.2

pnorm(z, 50, 6.71)

0.8

1.0

> plot(z,pnorm(z,50,6.71),type="l")

20

40

60

80

100

Alternativamente, podramos construir este grfico mediante la sentencia

siguiente:
> curve(pnorm(x,50,6.71))

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

3.- CMO UTILIZAR R COMO ALTERNATIVA A LAS TABLAS

ESTADSTICAS CLSICAS
Como se puede deducir de lo visto hasta ahora en este captulo, el
programa R encierra en s mismo unas completas tablas estadsticas que,
adems, resultan de muy fcil manejo.
Recordemos en los grficos siguientes el significado geomtrico que
tienen la funcin de distribucin (pnombredeladistribucin) y la
funcin cuantil (qombredeladistribucin):

La forma en que el programa R puede ser utilizado como alternativa a las

tablas estadsticas clsicas se resume en el siguiente cuadro (slo se
indican las distribuciones de uso ms corriente):

Distribucin

Parmetros

Binomial
Poisson
Normal
2
t de Student
F de
Snedecor

n, p

,
n
n

Funcin de
masa

Funcin de
distribucin

dbinom(x,n,p)
dpois(x,)

pbinom(x,n,p)
ppois(x,)
pnorm(x,,)
pchisq(x,n)
pt(x,n)

qnorm(,,)
qchisq(,n)
qt(,n)

pf(x,n,m)

qf(,n,m)

n, m

Funcin cuantil

Veamos algunos ejemplos de aplicacin:

# Calcular P(X=2) si X --> Binomial(5,0.2)
> dbinom(2,5,0.2)
[1] 0.2048
# Calcular P(X3) si X --> Poisson(2)
> ppois(3,2)
[1] 0.8571235
# Calcular x sabiendo que P(Xx)=0.238 y X --> N(4,1)
> qnorm(0.238,-4,1)
[1] 4.712751

CAPTULO 9

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS

# Calcular P(X34.2) si X --> 2(20)

> pchisq(34.2,20)
[1] 0.9751968
# Calcular P(X2.14) si X --> t14
> pt(2.14,14)
[1] 0.9747763
# Calcular x si P(Xx)=0.9 y X --> F4;8
> qf(0.9,4,8)
[1] 2.806426

10